SPC的局限
尽管处于80年代早期严重的萧条的痛苦挣扎之中，三大汽车制造商依旧为提高收益率和市场份额拼命挣扎。日本的汽车制造商在生产力和质量方面已经取得了巨大的进步，他们是如何做到的呢？他们的汽车真的那么好吗？如果他们的质量更好，又是如何做到这么高水准的呢？最开始，反思集中在日本人的工作道德水准和态度以及集中在被普遍使用的共同决策和工人的积极参与上。
然而，让西方商业领袖迷惑的是日本公司对统计过程控制（SPC）的利用。据称，SPC帮助减少废品和返工的同时，还能够改进产出产品的可靠性和质量。此消息迅速流传开来，并使统计工具的使用在西方世界的公司中风靡一时。 自从SPC被冠以持续改进和全面质量管理体系的主要贡献因素以来，已经过去了十多年。从那时以来，很多其他的工具、技术和思想体系被引入用来大幅减少制造成本和提高生产力。这些工具或技术包括组织发展和团队参与技术、质量功能展开（QFD）、约束理论、kaizen、工程再造、精益制造（lean）以及零库存管理（JIT）系统，等等。
触摸白板在80年代和90年代，由于很多这些技术被证明是如此的成功，从而导致了SPC增白皂的吸引力大打折扣。尽管仍然被许多公司用来改进效率和运营成本，但是SPC在质量改进运动中渐渐地失宠了。这一点在同时使用SPC和JIT的公司运营中体现得尤其明显。出于对降低批次大小和小批量生产的兴趣，JIT的思想体系似乎与SPC有些冲突。
今天，由于客户变得越来越苛刻，对SPC的关注度越发地降低。对于产品，客户不仅想要更多的功能和选项，而且客户还要更多的产品定制化。同时，越来越多的选项和定制化也导致了长长的产品型号、制造复杂性、呈几何增长的临界尺寸（critical dimension）以及需要控制的特性，而且这种趋势还在日益增长。简言之，小规模批量生产的出现、零件复杂性的增加以及定制化的出现使得有效的使用传统SPC变得极其困难。 视觉智能识别系统那些正在使用传统SPC的人们面临着三个主要局限，并随着这些工业的发展显得越发突出：
1． 计算统计极限需要15到25个数据点。
2． 每个控制图只能跟踪记录一个特性。
3． 即便零件的特性是相似的，但其他的差异，比如材料类型或者公差容限，却都需要分别的控制图。
局限1：计算统计极限需要15到25个数据点
传统的SPC技术是被开发应用在大批量且很少变化的生产中。为了生成一个控制图以便精确地反映过程的性能，人们需要收集15到25个数据点。Henry Ford曾经断言说，他的客户可以买到他们想要的任何颜的汽车，只要车的颜是黑的。因此，黑迅速成了优选颜。如果有人想画一个控制图用来记录跟踪黑油漆的厚度，没有问题。之所以没问题是因15到25辆汽车或许可以在一眨眼间被喷涂完成。画一个控制图应该是轻松的事（如果技术允许能够获得油漆厚度的数据），因为完成数据搜集的机会应该是很多的。 但是，当今的市场情况下，没有一家汽车制造商敢于只提供只有一种颜的汽车。实际上，由汽车生产厂商创造的客户定制和选项的数量是惊人的。因此，小批量生产和小生产规模成为满足客户需求的必然。小批量生产导致的结果就是大量的流程变化，而这种变化，在某一给定的生产配置中，反过来导致了更小数量的数据。
在这种充满着大量产品型号的环境下，从日益减小的批次规模中搜集15到25个数据点几乎是不可能的，因而，也就没法去绘制一个传统的控制图。毕竟，如果仅仅是生产屈指可数的几个零件，为之画控制图就显得说不过去了。即便我们证明控制图有必要，但是又怎么画呢？由此可见，如果仅仅在传统的SPC技术条件下，我们需要面临很多困难问题去解答。
背板制作
局限 2：每个控制图只能跟踪记录一个特性。
电脑防尘罩如果仅仅是为了控制有限的重要特性的话，这实际上不会成为什么局限。但是，实际情况是，由于客户的需求导致了无数个重要的特性需要去跟踪记录。我们曾经见过工程师挑出了72个特性需要用控制图去控制的情况。而且，每个特性都有一个file:///C:/Users/michael/AppData/Local/Temp/msohtmlclip1/01/clip_image002.gif">图和极差（R）图与之相关。这就意味着需要维护144个图表。
这么大量的数据也就意味着需要一个单独的会议室来将所有控制图挂起来。最终导致的结果就是数据过量。因而，要从所有这些图中推导出任何有意义的信息，也就变得极其困难了。而令人惊奇的是，所有这些72个不同的特性，144个图，以及专用的展示会议室仅仅
是为了区区一个零件。而数据也仅仅代表了成百上千个生产出来的产品中的一个而已。
有时候，甚至同一个零件上的同一个特性也需要不同的控制图。一个双主轴厂就是这样的例子，它加工的每个不锈钢表面就需要单个特定的厚度。如果零件的左侧是由主轴A打磨，而其右侧是由主轴B打磨的话，此时，就必须两个不同的控制图。这里的逻辑很简单：这样做的目的是为了指出那些有可能出现在某个主轴却不会出现在另一个主轴上的特定问题的根源。主轴A可能用了一个新的插入件而主轴B用的却是已经磨损的插入件。或者，冷却液流到主轴A下的加工件时可能比在主轴B时压力要大些。这里的挑战是如何确定不同工具对不锈钢零件的厚度产生什么样的影响。
事实上，操作员希望确保每个零件的厚度都是一致的。因而，为了评估一致性，需要为被加工表面的左侧（由主轴A加工）绘制一个控制图，同时为右侧（由主轴B加工）绘制另一个控制图。
多个特性导致多个控制图，从而导致更多工作要操作员去完成，当然意味着他或她放在生产职责上的精力就会减少。这里想说的是，在我们需要评估多个特性的时候，传统的SPC技术变得不是十分有效率。
局限 3：即便部件的特性是相似的，但其他的差异，比如材料类型或者公差容限，却都需要分别的控制图。
以前面关于油漆的讨论为例。比如说，一个厂商对针对两类油漆的厚度控制开发控制图感兴趣：平面百和金属绿。是不是就是仅仅考虑油漆厚度的测量而不管油漆的类型，并且把它们放在同一个控制图上就行了？不一定。实际上，每种类型的油漆可能在厚度上有着不同的目标规范。某类油漆可能要求得比另外一种油漆要厚一些。基于此，我们必须设置两个不同的控制图以便满足这种在目标油漆厚度上的差异。也就是，其中一个控制图用来记录跟踪金属绿的厚度，而另一个则用于平面百。因此，九个不同的油漆颜就需要九个不同的控制图。
即便零件和过程是类似的，但是这些零件和过程仍旧是不相同的并且在逻辑上可能表现出差异化的行为模式。不同厚度的垫圈、不同直径的钻孔以及具有不同性能要求的液压泵，在现实的应用中，全都需要单独的控制图。这一局限跟局限2有着相似之处，这是因为对于使用SPC的人们来说，使用控制图的结果往往是更多的控制图，更高的复杂度因而更多的麻烦。
这里描述的三个局限已经困扰着那些SPC应用者很多年了。基于总结出的那些原因，很多人认为使用控制图纯粹是浪费时间。当然，显然这是大错特错的。这里的局限并不是传统SPC风电功率预测技术失败的结果，实际上是预示着对一种全新的非传统控制图方法的一种需求。
传统技术在大批量长期生产过程中仍然是适用和有效的。然而，对于只有8个零件却有着5个不同特性的一个批次规模来说，使用传统的file:///C:/Users/michael/AppData/Local/Temp/msohtmlclip1/01/clip_image004.gif">图和极差图就会导致失败。file:///C:/Users/michael/AppData/Local/Temp/msohtmlclip1/01/clip_image004.gif">图和极差图仍然是很好的工具，只不过被用在了错误的场合。这个例子有点象用锤子敲干墙螺钉。你可以这么做，只是会有些困难并且结果会一团糟。但是，这并不说明锤子不是好工具。实际上，这里强调了一个事实，那就是或许有另一种工具能够更有效和有效率地完成这一任务。
对于控制图来说，情况是一样的。在当今的市场上，人们只是需要正确的控制图工具来处理复杂的制造业现实情况。SPC甚至可以被有效应用到复杂的场合，即小批量、复杂的零件、大量的零件尺寸以及既相似又不同的特性。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议